申请/专利权人：重庆大学

申请日：2022-06-02

公开（公告）日：2024-06-25

公开（公告）号：CN114912365B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/28;G06N3/045;G06N3/0464;G06N3/0442;G06N3/082;G06F113/08;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.09.02#实质审查的生效;2022.08.16#公开

摘要：本发明涉及建筑结构风压预测技术领域，公开了一种基于parallelCNN‑GRU的风压短期预测方法、装置和计算机设备，其中，方法包括：获取建筑结构的原始风压数据；构建parallelCNN‑GRU神经网络模型；利用所述原始风压数据对所述parallelCNN‑GRU神经网络模型进行训练，得到训练完成的parallelCNN‑GRU神经网络模型；采集建筑结构的实时风压数据，并将所述实时风压数据输入所述训练完成的parallelCNN‑GRU神经网络模型，得到所述建筑结构的完整风压数据。本发明提供了的基于parallelCNN‑GRU的风压短期预测方法、装置和计算机设备，解决了现有风压数据采集中异常、失真、损失数据频繁出现的问题。

主权项：1.一种基于parallelCNN-GRU的风压短期预测方法，其特征在于，包括：获取建筑结构的原始风压数据；构建parallelCNN-GRU神经网络模型；具体包括：确定CNN神经网络模型的隐藏层，所述CNN神经网络模型的隐藏层包括第一卷积层、第一池化层、第一Dropout层和第一全连接层；确定GRU神经网络模型的隐藏层，所述GRU神经网络模型的隐藏层包括重置门和更新门；将所述CNN神经网络模型的隐藏层与所述GRU神经网络模型的隐藏层并联形成所述parallelCNN-GRU神经网络模型的隐藏层；确定所述parallelCNN-GRU神经网络模型的第二卷积层、第二池化层、第二Dropout层和第二全连接层，作为所述parallelCNN-GRU神经网络模型的输出层；将对所述原始风压数据进行初步处理作为所述parallelCNN-GRU神经网络模型的输入层；所述输入层、隐藏层和输出层组成所述parallelCNN-GRU神经网络模型；利用所述原始风压数据对所述parallelCNN-GRU神经网络模型进行训练，得到训练完成的parallelCNN-GRU神经网络模型；具体包括：利用所述parallelCNN-GRU神经网络模型的输入层对所述原始风压数据进行初步处理，得到目标风压数据；其中，所述初步处理包括预处理、数据增强；将所述目标风压数据划分为训练集数据、验证集数据和测试集数据；将所述训练集数据输入所述parallelCNN-GRU神经网络模型的隐藏层，得到空间特征和时间特征；将所述空间特征和时间特征进行拼接形成拼接特征，并通过所述parallelCNN-GRU神经网络模型的输出层得到结果风压数据；利用所述验证集数据对所述parallelCNN-GRU神经网络模型进行优化；利用所述测试集数据对优化后的parallelCNN-GRU神经网络模型进行测试，得到所述训练完成的parallelCNN-GRU神经网络模型；采集建筑结构的实时风压数据，并将所述实时风压数据输入所述训练完成的parallelCNN-GRU神经网络模型，得到所述建筑结构的完整风压数据。

全文数据：

权利要求：

百度查询： 重庆大学 基于parallel CNN-GRU的风压短期预测方法、装置和计算机设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD